基于角度引导Transformer融合网络的多站协同目标识别方法

多站协同雷达目标识别旨在利用多站信息的互补性提升识别性能。传统多站协同目标识别方法未直接考虑站间数据差异问题,且通常采用相对简单的融合策略,难以取得准确、稳健的识别性能。该文针对多站协同雷达高分辨距离像(HRRP)目标识别问题,提出了一种基于角度引导的Transformer融合网络。该网络以Transformer作为特征提取主体结构,提取单站HRRP的局部和全局特征。并在此基础上设计了3个新的辅助模块促进多站特征融合学习,角度引导模块、前级特征交互模块以及深层注意力特征融合模块。首先,角度引导模块使用目标方位角度对站间数据差异进行建模,强化了所提特征与多站视角的对应关系,提升了特征稳健性与一致性。其次,前级特征交互模块和深层注意力特征融合模块相结合的融合策略,实现了对各站特征的多阶段层次化融合。最后,基于实测数据模拟多站场景进行协同识别实验,结果表明所提方法能够有效地提升多站协同时的目标识别性能。

基于两阶段注意力层Transformer的弹道目标多站融合识别

多站弹道目标融合识别旨在利用多个雷达站点信息的互补性提升弹道目标识别性能,而传统多站下弹道目标识别方法未直接考虑多站数据间的关联特性,难以取得准确、稳健的识别性能。针对多站下基于雷达散射截面积(RCS)高速飞行目标的识别问题,提出了一种基于两阶段注意力的弹道目标多站融合识别方法。首先,在现有的Transformer模型上添加维度分段模块将多站雷达数据嵌入于二维向量中,保留站内数据时序及站间关联信息;然后,添加了两阶段注意力层,有效地捕获站内时序信息及跨站维度的依赖关系;最后,基于仿真动态RCS数据模拟多站场景开展了融合识别实验。实验结果表明该方法能够有效提升多站条件下的弹道目标识别性能。

组织协同进化分类算法用于雷达目标一维像识别

针对雷达目标一维像识别问题 ,提出了一种基于组织协同进化分类算法的识别方法 .该方法与现有进化分类方法的不同之处在于它的进化操作直接作用于样本而不是规则 ,采用了一种自下而上的搜索机制 ,即先使若干样本的集合得到进化 ,再从进化结果中提取规则 .这样有利于避免在进化过程中产生无意义的规则 .该方法不需要进行特征提取 ;对于高维数据 ,不需要预先进行降维处理 ;没有复杂的运算 ,训练和识别的速度都很快 .对 3种飞机微波暗室实测数据的识别实验表明 ,该方法性能稳定 ,优于基于支撑矢量机与子波核函数的方法 ,识别率均达到了96 %以上 .实验中还对算法的抗噪能力进行了测试 。

基于协同编码分类器的SAR目标识别方法

合成孔径雷达(Synthetic Aperture Radar,SAR)自动目标识别(Automatic Target Recognition,ATR)是SAR图像解译的关键技术之一。本文提出了基于协同编码分类器的SAR目标识别方法。协同编码采用所有类别训练样本构建的全局字典最优重构测试样本,并根据各类别的重构误差判定目标类别。相比稀疏表示的方法,协同编码的策略可以提升少量训练样本对于测试样本的表示能力。针对SAR目标识别,训练样本的资源十分有限。因此,协同编码表示更为适用。采用MSTAR十类目标数据集在多种条件下进行了目标识别实验并与其它分类器进行了对比。实验结果表明,本文方法在标准操作条件、型号变化、俯仰角变化以及少量训练样本等条件下均可以觉得优越的识别性能,证明了其有效性。

自适应核协同表示在SAR目标识别中的应用

针对合成孔径雷达(Synthetic Aperture Radar, SAR)目标识别中方位角差距大的训练样本之间存在干扰的问题,对传统协同表示字典进行了改进,得到更适应于当前测试样本且能够降低弱相关原子对系统影响的自适应字典,基于此提出了一种自适应原子选择的核函数变换协同表示算法,并在美国DARPA中的运动和静止目标获取与识别计划公开发布的SAR图像数据库上进行了验证实验。实验结果表明,相较于基于全部训练样本字典的核协同表示模型,基于自适应原子选择的核协同表示方法降低了干扰原子的不良影响,提高了对SAR目标识别的可靠性和鲁棒性。

基于多特征核协同表示的SAR目标识别

为利用合成孔径雷达(synthetic aperture radar,SAR)目标不同特征数据间的相关性与互补性,提出一种基于多特征的Tikhonov正则化核函数协同表示(multi-feature kernel collaborative representation-based classification with tikhonov regularization,MFKCRT)算法。采用美国运动和静止目标获取与识别(moving and stationary target acquisition and recognition,MSTAR)计划公开发布的SAR图像数据库进行实验,实现核函数变换空间上的多特征融合协同表示识别。实验结果表明:该算法相较于基本的协同表示,具有更优的可靠性与鲁棒性。

基于多特征-多表示融合的SAR图像目标识别

针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标识别问题,该文提出了一种基于多特征-多表示学习分类器融合的识别算法。首先,该算法提取了SAR图像3种特征,包括主成分(Principle Component Analysis,PCA)特征,小波变换特征和2维切片Zernike矩(2-Dimension Slice Zernike Moments,2DSZM)特征。然后,将测试样本的3类特征分别输入稀疏表示分类器和协同表示分类器进行预分类,得到6个预测标签。对6个预测标签进行分类器融合,得到最终的识别决策。实验中研宄了3种不同的分类器融合算法,实验结果表明利用贝叶斯决策融合得到了最佳的识别性能。基于多特征-多表示学习分类器融合的方法集成了多特征的鉴别能力,也融合了稀疏和协同表示的分类性能,实现优势互补,有效提高了识别精度。基于Moving and Stationary TargetAcquisition and Recognition(MSTAR)公开发布的SAR目标数据库的实验验证了该方法的有效性。

基于复合防碰撞算法的密集目标精准分辨识别

为适应未来战场密集平台协同作战态势下,目标精准敌我识别的需求,本文简述了基于码分多址技术与帧时隙ALOHA算法结合的复合防碰撞算法的基本原理,并讨论了在密集多目标精准分辨识别的迫切需求下,现有二次雷达系统存在的问题。